Visione artificiale
A.A. 2022/2023
Obiettivi formativi
Obiettivo dell'insegnamento è fornire elementi che consentano di inferire uno stato del mondo reale da immagini digitali o video. Queste competenze vertono in particolare sulla capacità di ricostruire tridimensionalmente oggetti e di elaborare e riconoscere elementi o azioni di una scena.
Risultati apprendimento attesi
- Conoscere i principi alla base della formazione delle immagini
- Conoscere le tecniche per ottenere la ricostruzione tridimensionale di oggetti reali
- Conoscere le tecniche di apprendipento legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video
- Conoscere le tecniche per ottenere la ricostruzione tridimensionale di oggetti reali
- Conoscere le tecniche di apprendipento legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
L'insegnamento verrà erogato sia in presenza sia in streaming usando la piattaforma Zoom.
Materiali di riferimento:
Il programma e il materiale di riferimento non subiranno variazioni.
Materiali di riferimento:
Il programma e il materiale di riferimento non subiranno variazioni.
Programma
Il corso propone allo studente l'apprendimento delle tematiche fondamentali della visione artificiale, con particolare attenzione ai seguenti argomenti:
* Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
* "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
* Machine learning
- Linear Neural Networks
- Multilayer perceptrons
- Deep Learning Computation
- Convolutional Neural Networks
- Recurrent Neural networks
- Generative models
* Image formation
- Modelli geometrici della camera
- Calibrazione di camera
- Modelli di luminosità
- Modelli di colore
* "Early" vision
- Filtraggio lineare
- Estrazione di features
- Stereopsis (visione binoculare)
- Structure from Motion (multi-view)
- Registrazione di forme 3D
* Machine learning
- Linear Neural Networks
- Multilayer perceptrons
- Deep Learning Computation
- Convolutional Neural Networks
- Recurrent Neural networks
- Generative models
Prerequisiti
E' consigliabile la conoscenza delle nozioni fondamentali di:
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
presentate in corsi di laurea triennale di carattere scientifico.
- Probabilità e statistica
- Elaborazione delle immagini
- Elaborazione dei segnali
presentate in corsi di laurea triennale di carattere scientifico.
Metodi didattici
Lezioni frontali ed esercitazioni in laboratorio informatico.
Materiale di riferimento
Sito Web:
https://github.com/lanzarotti/
Materiale didattico:
- Slide del corso
- Software utilizzato nelle esercitazioni
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- "Dive into Deep Learning" (https://d2l.ai)
https://github.com/lanzarotti/
Materiale didattico:
- Slide del corso
- Software utilizzato nelle esercitazioni
Testo di riferimento:
- D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition
- "Dive into Deep Learning" (https://d2l.ai)
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste in una prova orale.
A scelta, gli studenti possono affrontare un progetto di approfondimento concordato col docente.
La valutazione è espressa in trentesimi.
A scelta, gli studenti possono affrontare un progetto di approfondimento concordato col docente.
La valutazione è espressa in trentesimi.
Siti didattici
Docente/i